当下激光雷达SLAM和视觉SLAM的瓶颈是什么？

已经（基本）解决的问题

1. 低动态场景下的建图；
2. 基于先验地图的厘米级定位；
3. 室外与gps互补，提供高频平滑的轨迹；

工程上的一些不足（多数从业者可以解决的问题）

1. 视觉slam：低纹理场景下鲁棒性不足（可以通过引入多摄像头和以superpoint为代表的学习类匹配方法改善）
2. 激光slam：几何结构相似场景的定位/重定位（面对具体业务场景，可以通过多种trick解决，例如加反光柱）
3. 通病：高动态场景地图的维护与稳定定位（建图时选择静态场景，定位时轮式机器人通过轮速计，腿式机器人通过pdr实现定位约束）
4. 更低的占用，更高的频率，更高的精度与鲁棒性。这些其实不是问题哈哈哈，看具体项目吧。

真正的危机

1. 如何长时高动态的自动地图维护：面对以年为时间单位的动态地图，如何自主的维护地图，并智能实现高召回率的重定位与鲁棒的定位。
2. 如何建立更好的语义地图。如何使用预训练的vlm模型，建立一个高信息密度的语义地图，实现多种地图查询任务。这涉及到大模型，具身智能，导航等相关技术，未来的slam肯定不是一个独立的工作站，而是要向端到端靠拢。
3. slam这个技术栈的重要性在减弱。面对大多数场景，其实不需要高精度的定位（想想人类的定位模式）。在具身智能时代，我们更希望机器人在简单的 拓扑地图 先验下，使用粗精度（米级）的定位与实时环境感知完成导航与操作任务。